Detección y medición de trabajo en equipos de construcción mediante machine learning
No hay miniatura disponible
Archivos
Fecha
2023
Profesor/a Guía
Facultad/escuela
Idioma
es
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Andrés Bello
Nombre de Curso
Licencia CC
Licencia CC
Resumen
Los equipos de construcción son los principales responsables de la producción en la
construcción (Kim, Ahn, Engelhaupt, & Lee, 2018), y los costos asociados a ellos suelen ser los
más alto en un proyecto de construcción. Por lo tanto, existe una motivación de estudiar nuevas
metodologías de control de trabajo en los equipos de construcción.
Esta memoria se basa en el entrenamiento de un algoritmo de detección (YOLOv5x) de
Machine Learning con el objetivo de detectar si ciertos equipos de construcción (Grúa Telescópica,
Excavadora y Alza Hombre) están trabajando o no están trabajando, para posteriormente realizar
un informe de análisis de trabajo diario y semanal para cada equipo de construcción estudiado.
Las imágenes utilizadas para entrenar el algoritmo fueron extraídas del sitio web de
Goldbeck, el cual posee registros fotográficos históricos de proyectos de construcción. Se
descargaron más de 30.000 imágenes correspondiente a 6 proyectos distintos. Con este set de
datos, se definió una taxonomía de trabajo para los equipos de construcción estudiados, donde para
cada equipo se establecieron dos clases: Equipo Trabajando y Equipo no Trabajando.
Posteriormente, se realizó una selección datos, donde se obtuvo un conjunto de 1.200
imágenes aproximadamente para realizar el entrenamiento del algoritmo. El resultado promedio
obtenido en el entrenamiento para el umbral de confianza (mAP) del 50% fue de 85%, mientras
que para el umbral de confianza (mAP) del 95% fue de 59%.
La medición de trabajo fue realizada para una semana, utilizando un sexto proyecto,
eligiendo una semana en la que estuviesen presentes los tres equipos de construcción estudiados.
El algoritmo fue capaz de detectar si los equipos estaban trabajando o no trabajando. Para realizar
el informe de trabajo, se realizó una adaptación a la metodología “Five Minute Rating” y “Carta
de Balance”, lo que permitió identificar las detecciones realizas en determinado tiempo.
Finalmente, la metodología propuesta se validó a través de una encuesta realizada a 9
profesionales de terreno, entre ellos Constructores e Ingenieros civiles. La encuesta fue medida en
la escala de Likert de 1 a 4, donde 1 es totalmente desacuerdo y 4 es totalmente de acuerdo y el
promedio obtenido fue de 3.5. Además, se obtuvieron comentarios y observaciones que
contribuyeron a formular la propuesta final.
Construction equipment are a main driver for production in the construction industry (Kim, Ahn, Engelhaupt, & Lee, 2018), and the cost associated with them is often among the most relevant in a construction project. Therefore, there is a motivation to study construction work control methodologies for construction equipment. This research uses a Machine Learning detection algorithm (YOLOv5x) with the aim of detecting whether certain construction equipment (Telescopic Crane, Excavator or Man Lift) are working or not working. A daily and weekly work analysis report for each construction equipment studied is prepared. The images used to train the algorithm were extracted from Goldbeck’s website, which has historical photographic records of construction projects. More than 30.000 pictures were downloaded for 6 different projects. We defined a working taxonomy for the construction equipment studied with this data set. Two classes were established for each equipment: Working Equipment and Not Working Equipment. Subsequently, we used a set of approximately 1200 images to train the detection algorithm. The average result obtained in the training for the confidence threshold (mAP) of 50% was 85%, while for the confidence threshold (mAP) of 95% it was 59%. We used the trained model to measure construction equipment work for one week. We chose a week in which the three work construction equipment studied were present. The algorithm was able to detect whether the equipment were working or not. We used an adaptation of the “Five Minute Rating” and “Balance chart” methodology to make the prepare the work reports, which allowed us to identify the detections made in a time window. Finally, the proposed methodology was validated through a survey applied to 9 field professionals, including Civil Engineers and Construction Managers. The survey used a Likert scale of 1 to 4, where 1 is strongly disagree and 4 is strongly agree. The average obtained was 3.5 out of 4. Furthermore, comments and observations were obtained that contributed to the formulation of the final methodology proposal.
Construction equipment are a main driver for production in the construction industry (Kim, Ahn, Engelhaupt, & Lee, 2018), and the cost associated with them is often among the most relevant in a construction project. Therefore, there is a motivation to study construction work control methodologies for construction equipment. This research uses a Machine Learning detection algorithm (YOLOv5x) with the aim of detecting whether certain construction equipment (Telescopic Crane, Excavator or Man Lift) are working or not working. A daily and weekly work analysis report for each construction equipment studied is prepared. The images used to train the algorithm were extracted from Goldbeck’s website, which has historical photographic records of construction projects. More than 30.000 pictures were downloaded for 6 different projects. We defined a working taxonomy for the construction equipment studied with this data set. Two classes were established for each equipment: Working Equipment and Not Working Equipment. Subsequently, we used a set of approximately 1200 images to train the detection algorithm. The average result obtained in the training for the confidence threshold (mAP) of 50% was 85%, while for the confidence threshold (mAP) of 95% it was 59%. We used the trained model to measure construction equipment work for one week. We chose a week in which the three work construction equipment studied were present. The algorithm was able to detect whether the equipment were working or not. We used an adaptation of the “Five Minute Rating” and “Balance chart” methodology to make the prepare the work reports, which allowed us to identify the detections made in a time window. Finally, the proposed methodology was validated through a survey applied to 9 field professionals, including Civil Engineers and Construction Managers. The survey used a Likert scale of 1 to 4, where 1 is strongly disagree and 4 is strongly agree. The average obtained was 3.5 out of 4. Furthermore, comments and observations were obtained that contributed to the formulation of the final methodology proposal.
Notas
Memoria (Ingeniero Civil)
Palabras clave
Aprendizaje de Máquina, Algoritmos Computacionales, Maquinaria de Construcción, Innovaciones Tecnológicas